機電工程學系

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/84

系所沿革

為迎合產業機電整合人才之需求,本校於民國 91年成立機電科技研究所,招收碩士班學生;隨後並於民國93年設立大學部,系所整合為「機電科技學系」,更於101學年度起招收博士班學生。103學年度本系更名為「機電工程學系」,本系所之發展方向與目標,係配合國家政策、產業需求與技術發展趨勢而制定。本系規劃專業領域包含「精密機械」及「光機電整合」 為兩大核心領域, 使學生不但學有專精,並具跨領域的知識,期能強化學生之應變能力,以適應多元變化的明日社會。

教學目標主要希望教導學生機電工程相關之基本原理與實務應用的專業知能,並訓練學生如何運用工具進行設計、執行、實作與驗證各項實驗,以培養解決機電工程上各種問題所需要的獨立思考與創新能力。

基於建立系統性的機電工程整合教學與研究目標,本系學士班及研究所之教育目標如下:

一、學士班

1.培育具備理論與實作能力之機電工程人才。

2.培育符合產業需求或教育專業之機電工程人才。

3.培育具備人文素養、專業倫理及終身學習能力之機電工程人才。

二、研究所

1.培育具備機電工程整合實務能力之專業工程師或研發人才。

2.培育機電工程相關研究創新與產業應用之專業工程師或研發人才。

3.培育具備人文素養、專業倫理及終身學習能力之專業工程師或研發人才。

News

Browse

Search Results

Now showing 1 - 3 of 3
  • Item
    以深度學習為基礎之路面破損與閥栓檢測系統
    (2019) 楊松儒; Yang, Sung-Ju
    近年來台灣道路平整度議題經常被提出來討論,其中一項就是孔蓋的正常與否。每年都需要花費大量的人力在孔蓋巡檢上。為保證巡檢品質與第二年作業需求,需要檢查作業人員拍攝回來之照片,其中包含著門牌以及閥栓近遠照等照片。路面平整度的另一個議題是路面破損,而目前路面破損之檢測如同閥栓巡檢一般依靠了大量的人力。為了減少大量人力需求,本研究將設計一快速且準確之閥栓分辨系統以及一道路破損辨識系統。 本研究中以YOLOv3-tiny及作為基礎,建置一快速分辨閥栓以及門牌之系統。在實驗結果中,本研究在近照之閥栓分辨結果中,達到了Precision 99.33%、Recall 98.89%之高精度。在門牌與街牌辨識的部分,也達到了Precision 95.96%、Recall 93.45%之精度。 道路破損辨識的部分,本研究使用YOLOv3類神經網路進行訓練,並使用一簡單之分割操作,提升了辨識準確率。並希望在未來使用其餘類神經網路以及各種技術,改善此一辨識率。
  • Item
    基於深度學習之心律不整輔助診斷系統
    (2017) 游凱翔
    心臟病一直以來都是人類健康殺手,一旦病發有極高的致命性。而現行心臟病的醫療十分被動,多數情況下於病人發病後,才在緊急狀況下進行治療,容易造成遺憾。因此,近年來心臟病的長期監控逐漸受到重視,藉由攜帶式或居家式心電圖量測儀器,病患可以自行量測心電圖並即時傳送到醫院,使醫生更確實地掌握病患的近況,並在出現異常徵兆時,及時進行治療。 但長期監控同時也會造成資料量上升以及資料品質穩定度下降的問題,本研究針對其提出一套結合深度學習領域中的卷積神經網路架構與k-means演算法的心律不整輔助診斷系統,並在最後對分類結果進行離群資料處理。該系統能對心電圖資料進行初步分析與分類,在診斷時可提供資訊給醫療人員,並標註出危險度較高的區段,減少醫療人員的負擔,並提升診察效率。 本研究提出之系統分為兩個部分,第一部分以k-means演算法對原始資料進行分子類動作,透過此步驟可以使資料特徵更容易被捕捉。第二部分以卷積神經網路為基礎,建構心電圖波形分類器,對分完子類之資料進行分類並將結果進行離群資料處理。有別於傳統類神經網路,卷積神經網路的特點在於該網路能自動提取資料中價值較高的特徵,並運用於資料的辨識,同時卷積神經網路架構還能有效減少網路之參數數量,減少神經網路的訓練時間與消耗資源,提升整體效率。 本研究使用MITBIH心律不整資料庫進行測試,準確度平均可達99.41%,漏診率僅1.23%。整體而言,為一兼具穩定及高效之智慧型診斷輔助系統。
  • Item
    以噪音分類為基礎之深度學習噪音消除法提升人工電子耳使用者之語音理解度表現
    (2017) 蘇鈺婷
    人工電子耳(cochlear implant, CI)是現今唯一可幫助全聾患者重新聽見聲音的重要科技。於過去的研究證明人工電子耳於安靜的溝通環境下能有效的幫助患者提升語音理解能力。但在噪音環境下,其效益仍存在許多改進空間,並期望能發展出更有效的訊號處理來提升使用者之滿意度。近年,一個基於深度學習理論所發展出的噪音消除方法被提出,即是 deep denoising autoencoder(DDAE)。其研究成果證明,DDAE 噪音消除法在人工電子耳模擬測試下,有顯著的語音理解力的改善效益。但對於真實人工電子耳使用者來說,其 DDAE 之效益仍未有研究證據。有鑑於此,本論文將基於 DDAE 噪 音 消 除 法 進 行 改 良 , 並 提 出 一 個 新 的 噪 音 消 除 方 法 , 稱 noise classification+DDAE (NC+DDAE)。此外,也將所提出之方法進行真實人工電子耳使用者之臨床效益驗證。從客觀之聲電指標驗證及語音聽辨力測試結果發現,在噪音環境下,NC+DDAE 能比兩個常見的傳統噪音消除法(logMMSE, KLT)有更佳之語音理解力表現,特別是噪音是己知情況。更具體的來說,當噪音情境是已知時,其 NC+DDAE 分別在不同測試條件下能比其他方法最多提升了 41.5 %之語音理解度表現;當噪音情境是未知的情況下其 NC+DDAE 能比其他方法最多提升了 17.5 %之語音理解度表現。有鑑於上述之結果證明,本論文所提出之 NC+DDAE 噪音消除法將能有效的提升人工電子耳使用者於噪音情境下之聆聽效益。